中国区域加权平均温度的建模研究

主要研究了中国区域加权平均温度(T_m)与地表温度(T_s)的函数关系模型。为提高中国区域T_m的计算精度,收集了中国区域内2013-2015年76个测站的无线电探空数据,采用传统线性回归建模方法建立T_m与地表温度(Ts)的线性回归模型A;然后,顾及T_m的年周期变化,提出了一种改进回归模型B。利用2016年69个测站的探空数据对模型A和模型B进行检验,模型A与模型B的年均方根误差分别为±3.147K和±3.025K,而常用的Bevis模型年均方根误差为±3.385K。模型A与模型B的精度较之常用的Bevis模型分别提高了7%和11%。本研究成果可以提高GNSS技术探测大气可降水量的精度,对GNSS气象学的发展和完善具有积极意义。

GPS控制网坐标转换模型的研究

针对七参数坐标转换模型中只解算一个尺度参数,考虑到控制网平面与高程分属于两个基准系统,故尺度比并无可比性。本文将七参数转换模型中尺度参数进行延伸,在X、Y、Z轴上各设置一个尺度参数,提出九参数坐标转换模型,弥补了七参数坐标转换模型中单一尺度的不足,很好地反映出两坐标系统尺度上的差异。实例验算表明,九参数坐标转换模型转换精度优于七参数坐标转换模型,对于测绘生产具有实际的应用价值和意义。

一种用于估计中国及毗邻区域加权平均温度的神经网络方法

为了提高全球温压湿模型(GPT2w)在估计中国及毗邻区域加权平均温度中的适用性,采用了基于神经网络的模型误差补偿技术,以分布在中国及毗邻区域的100个探空站2006—2015年的374800条大气垂直廓线资料为数据源,建立了适用于该地区加权平均温度估计的增强模型.利用分布在该地区的其余92个探空站2016—2018年的数据测试模型性能.结果表明,该模型的精度比GPT2w模型提高了约14.9%,比基于实测气象参数的Bevis模型提高了约7.6%.该模型的性能无论是在各个高度区间,还是在不同季节都比GPT2w模型有明显改进,并且在探空站分布十分稀少的我国西北部地区,加权平均温度的估计精度也得到显著的改善.该模型在开展全国范围内的地基GNSS实时水汽反演中具有巨大的应用潜力.

基于Landsat 8的泰山地区植被指数与地形因子关系分析

主要研究了基于Landsat 8遥感数据的泰山地区植被指数与地形因子之间的关系。基于Landsat 8 OLI遥感数据,综合运用遥感图像处理技术和地理信息系统空间分析技术,提取泰山地区2014年7月的归一化植被指数;再利用数字高程模型(DEM)提取该地区的地形因子(海拔、坡度以及坡向);进而使用叠合分析法,分析了泰山地区植被指数与地形因子之间的关系。研究结果表明:泰山地区总体上植被指数(NDVI)值较好;植被指数随海拔的升高而增加;坡向对NDVI值影响明显,东北坡植被指数最高。数据分析的结果对于泰山地区生态环境的监测保护与可持续发展都有积极意义。

探析市政工程深基坑施工工艺与质量控制

在对市政工程实施施工过程中,深基坑的施工质量及工艺与工程整体质量息息相关。若深基坑施工质量和工艺控制不当,会出现塌方、地下水控制不符合要求、围护结构失稳等问题。在此基础上,本文首先对市政施工过程中深基坑开挖的特征以及内容进行分析,随后分析了其主要施工工艺,最后对质量控制的主要措施进行总结,旨在为今后市政深基坑施工奠定基础。

市政道路软基清淤回填的施工技术要点分析

在对市政道路实施施工过程中,软基施工具有重要作用,为了使软基施工技术进一步提高,施工单位应对清淤回填施工过程进行控制。本文以某工程为基础,对市政道路软基施工过程中的主要施工难点进行总结,并对压实施工、改良土回填、片石回填、开挖边沟、清淤施工以及施工准备等过程进行分析,并对其质量控制的主要措施进行阐述,旨在为今后市政软基施工奠定基础。

CORS工程应用及精度分析

连续运行参考系统(CORS)技术以其科技含量高、操作简便、全天候、覆盖率广等优点,广泛应用于测图、放样等各种工程测量中。由于CORS技术是独立地测量各点坐标,而在很多场合更关注点间相对关系如何,因此其相对精度还需进一步验证。本文以东南大学成贤学院校园控制网测量为例,通过直接测量和CORS实时定位等不同方法测量结果的比较、对其精度进行具体分析,取得一些有益的结论。

一种顾及数据时效的沉降预测模型序贯解算方法

工后沉降与构建物的安全性密切相关,精确预测工后沉降对工程的运营维护具有重要意义。现有沉降预测模型大多采用实测沉降数据等权拟合,无法反映不同时期观测数据对预测模型的影响差异。针对该问题,本文在沉降预测模型序贯算法的基础上,提出了一种顾及数据时效的随机模型确定及预测模型解算方法。引入了降权系数优化随机模型,得到顾及数据时效的模型序贯解算公式;从理论上分析了新方法对历史观测数据降权的规律;对隧道沉降预测进行了实测工程数据验证,结果表明:本文提出的新方法可以将沉降预测的精确度提高4~8倍。

深度学习的街景行道树自动识别提取研究

针对城市行道树调查中,街景影像背景环境复杂多变、行道树个体差异大,依靠目视判读费时费力的问题,该文基于车载移动测量系统采集的全景影像数据,利用深度学习算法,在快速区域卷积神经网络的目标检测方法基础上,建立适用于街景行道树检测的深度神经网络模型。模型采用基于共有显著性区域及冗余策略的行道树多示例目标候选区域选择方法,使用车载图像的几何约束进一步筛选合适的候选区域,从而实现行道树目标候选区域的统一选择,提升行道树目标的检测效果。实验结果表明,该文提出的方法能够实现多种行道树的准确自动识别与提取,进而大大降低行道树绿化调查的成本。